卷积神经网络(CNN）学习笔记

最新推荐文章于 2025-07-08 16:16:53 发布

GYBinLero

最新推荐文章于 2025-07-08 16:16:53 发布

阅读量2.5k

点赞数

CC 4.0 BY-SA版权

文章标签：神经网络 cnn 图像识别机器学习深度学习

本文链接：https://blog.youkuaiyun.com/GYBinLero/article/details/79266574

本文介绍了卷积神经网络（CNN）的基础知识，包括为何选用CNN处理图像，CNN的组件如卷积层、池化层和全连接层的工作原理。通过举例说明了滤波器和池化层如何减少参数并提取图像特征，并讨论了卷积-池化迭代次数的影响。此外，还提及了CNN在MINST数据集上的应用和模型改进方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

卷积神经网络（CNN）

卷积神经网络（Convolutional Neural Network ）是一种深度前馈神经网络，广泛应用于图像识别和自然语言处理等方向，本文基于初学者的视角简单描述卷积神经网络的概念和原理，包含个人主观理解,如有错误恳请指正。

传统的全连接（fully connected）网络结构在处理图像时，由于图片的二维结构，导致神经元数量大大增加，即使是100X100的图片也需要单层10000个参数，要想处理图片，必须采用新的网络架构来减少参数，避免权重爆炸的现象发生。

基于人类的常识，可以判断出在图像辨识中，某些细节往往比整张图片的其余部分重要得多，例如辨别一张图片中的鸟，我们往往观察到的是属于鸟的特征（pattrens），例如鸟喙，翅膀，爪子而非图片中的背景。CNN的设计即是这种思想的体现。

一个完整的卷积神经网络包括卷积层（Convolution）、池化层（MaxPooling）和全连接层（Fully Connected）。其中卷积层和池化层可以循环任意次。

和传统的神经网络一样，CNN神经元也需要激励函数（Activation Funtion），通常使用ReLU（Rectified linear unit）函数作为激励函数，其具有参数更新快，高效收敛的优点，但要小心设置学习率以避免神经元坏死。

CNN的卷积层神经元相当于是一个特征探测器（detector），每个神经元的前馈输入对应一个滤波器(filter)
可以指定滤波器的尺寸和每次移动的步长（stride），滤波器的设计由卷积核决定，滤波

200万优质内容无限畅学